châtaignes non gras du fond concave du Temple qubit rapports | Numéro public QbitAI
données d'annotation, modèle AI peut être formé dans une partie la plus ardue.
Vision par ordinateur Supporter le poids des images marquées nécessitent beaucoup de main-d'uvre.
Par exemple, dans le jeu de données Coco-Stuff, une image a besoin d'un bon niveau 19 minutes , Plus de 164.000 pièces 50.000 heures A.
Ainsi, l'équipe Google AI a mis au point un nouveau programme, le responsable peut 3 fois la mise à niveau vitesse d'étiquetage.
La méthode est appelée Annotation fluide (Désigné par le fluide), au moyen de Machine Learning La force de bâton Catégorie étiquettes (Classe d'étiquettes), les tiques de chaque objet contour Et l'image fond Pour soulager le stress humain.
Google AI à l'étude comme « la première étape en essayant d'accélérer l'étiquetage des données » ainsi que sur la présentation de cette étape à la conférence ACM MM 2018.
Comment l'utiliser?
Cette approche, le modèle de segmentation sémantique à partir d'une pré-formation Masque R-CNN début de sortie, génère environ 1000 fragments d'images (segments d'image), chaque segment a sa propre Catégorie étiquettes et points de confiance .
(Chaque pixel doit être classé comme une catégorie, comme les fleurs, les arbres, les gens, les routes et ainsi de suite.)
Confiance points culminants de ces fragments, peuvent se propager aux humains là pour faire d'autres annotations.
Les humains, peuvent être un panneau de commande modification Résultats de la segmentation de la machine.
Par exemple, pour modifier un segment d'étiquette existants, tels que le réservoir changement voiture .
Par exemple, l'ajout d'un segment pour compenser l'absence d'un objet, vous pouvez également supprimer le segment:
En outre, il est possible d'ajuster les fragments qui se chevauchent La profondeur de l'ordre , Déplacer ce clip, vers le bas un autre fragment:
L'équipe fournit une démonstration, il y a cinq échantillons, nous pouvons s'adapter à un air de voir (portail à la fin du texte).
L'effet peut être plus que l'humanité pure, il?
Maintenant, la marque fluide (collaboration homme-machine) effet, et le résultat de l'homme comparer le labeur.
gauche pour l'original, étiquetés comme des êtres humains, la bonne étiquette pour le fluide
oeil nu avait l'air, AI et l'effet marqué humain est presque le même.équipe Google dans le blog, a déclaré marqué humain limite de l'objet Mieux encore légèrement saisir sur.
Par conséquent, l'accent de la recherche future est de renforcer la frontière marquée.
Bien sûr, la vitesse doit continuer à l'améliorer.
Portail de démonstration:
https://fluidann.appspot.com/
Portail papier:
https://arxiv.org/pdf/1806.07527.pdf
- complet -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
qubit QbitAI · manchettes sur la signature de
' « suivre les nouvelles technologies AI dynamiques et de produits